基于语义分割的大豆主茎精准表型自动获取及其在导入系材料选择中的应用

大豆导入系群体的构建和材料的选择是大豆育种的重要手段之一,而针对某一具体表型的材料选择不仅能够提高育种效率,而且还能够加快定位目标性状基因的进程。本研究针对由绥农14(轮回亲本)和野生野生大豆ZYD00006(供体亲本)为双亲构建的导入系(190个个体),采用机器视觉中的语义分割技术,对主茎相关表型进行了自动提取,实验结果表明:此方法完全可以取代人工测量且具有良好的可移植性,同样可用于其他作物的表型获取。在此基础上,本研究针对大豆主茎相关表型,对参试材料进行系统聚类,结果明确给出各参试材料(近等材料)基于主茎表型的聚类情况。这一结果将成为针对主茎表型进行材料选择的重要依据,同时依据这一结果可以大大加快主茎相关表型基因的定位。

基于深度学习的大豆豆荚类别识别研究

作物表型调查是作物品种选育过程中的一项关键工作。传统表型调查主要依靠人力,使得表型调查的结果难以达到自动化、高精度、高可靠性的要求。在大豆的表型调查中,对豆荚类别的正确识别是豆荚个数、长度和宽度等表型准确提取的关键和前提。本文针对成熟期大豆豆荚的图片,通过利用深度学习迁移5种不同的网络模型[AlexNet、VggNet(Vgg16,Vgg19)、GoogleNet、ResNet-50],对一粒荚、二粒荚、三粒荚、四粒荚进行识别。为提高训练速度和准确率,本试验微调模型,选择不同的优化器(SGD、Adam)对网络模型进行优化。结果表明,在针对豆荚辨识问题中,Adam的性能优于SGD,而Vgg16网络模型搭配Adam优化器,豆荚类别的测试准确率达到了98.41%,在所选的网络模型中体现了最佳的性能。在十折交叉验证试验中也体现了Vgg16网络模型具有良好的稳定性。因此本研究认为Vgg16网络模型可以应用到实际的豆荚识别中,为进一步实现豆荚表型自动提取提供一条重要的解决途径。